A machine learning-based method for adulteration detection in white rice vinegar using different non-targeted spectroscopy
Deze studie toont aan dat Fourier-transformatie infraroodspectroscopie (FTIR) gekoppeld aan machine learning beter presteert dan nabij-infrarood- en fluorescentietechnieken bij het detecteren van synthetische azijnzuurverontreiniging in witte rijstazijn, terwijl het de kritieke noodzaak benadrukt om chemometrische modellen af te stemmen op specifieke azijnmerken vanwege de aanzienlijke variabiliteit in optimale voorbewerkings- en kenmerkselectiestrategieën.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een fles witte rijstazijn hebt, het soort dat je augurken knapperig maakt en je sushi een frisse toets geeft. Stel je nu voor dat een sluwe dief wat van die echte, gefermenteerde azijn vervangt door goedkope, synthetische azijnzuur om een paar centen te besparen. Dit wordt "adulteratie" genoemd, en het is een groot probleem voor eerlijke voedselmakers.
Om deze dief te vangen, probeerden wetenschappers drie verschillende "superzintuigen" om de neppe troep op te sporen: Near-Infrared (NIR), Fluorescence (EEM) en Fourier Transform Infrared (FTIR) spectroscopie. Denk aan deze als verschillende manieren om naar de chemische vingerafdruk van de azijn te kijken. Ze testten vier beroemde azijnmerken (Hengshun, Qianhe, Shuanghe en Donghu) en mengden echte azijn met neppe azijn op niveaus variërend van 0% tot 50% om te zien of hun "superzintuigen" het verschil konden opmerken.
De Grote Winnaar: De Infrarooddetective
Na het analyseren van de cijfers, vond het artikel dat FTIR-spectroscopie de duidelijke kampioen was. Het was als de detective met de scherpste ogen. Wanneer het team FTIR gebruikte, konden ze het verschil tussen pure en neppe azijn met ongelooflijke nauwkeurigheid vaststellen, met scores tussen de 85,00% en een perfecte 100,00%, afhankelijk van het merk.
In tegenstelling hiertoe waren de andere twee methoden, NIR en EEM, als detectives die in de war raakten door de menigte. Hoewel ze soms het verschil wel konden zien, hadden ze vaak moeite om de echte azijn zo duidelijk van de neppe te onderscheiden als FTIR dat kon. Sterker nog, voor sommige merken was de EEM-methode zo in de war dat het niet betrouwbaar het verschil kon aangeven tussen verschillende niveaus van vervalsing.
Het "Merkpersoonlijkheid"-probleem
Hier komt de wending: het artikel ontdekte dat elk azijnmerk zijn eigen unieke "persoonlijkheid" heeft. Wat werkt om een vervalsing in het Hengshun-merk te vangen, werkt niet noodzakelijkerwijs voor het Qianhe-merk.
Stel je voor dat je een hond probeert te leren om een specifiek type koekje te vinden. Als je de hond traint op chocoladekoekjes, herkent hij misschien geen pindakaaskoekje, zelfs als het ook een koekje is. De wetenschappers ontdekten dat de beste manier om hun computermodellen te "trainen" volledig veranderde afhankelijk van welk merk ze testten. Ze moesten verschillende digitale hulpmiddelen (algoritmen zoals SVM, RF of LDA) en verschillende methoden voor het opschonen van de gegevens gebruiken voor elk merk. Er was geen enkele "magische oplossing" die voor elk merk tegelijkertijd perfect werkte.
De Magie van het Kiezen van de Juiste Aanwijzingen
De onderzoekers probeerden ook te zien of ze de modellen sneller en slimmer konden maken door alleen naar de belangrijkste "aanwijzingen" (specifieke delen van het lichtspectrum) te kijken in plaats van naar het hele plaatje. Ze gebruikten vier verschillende methoden om deze aanwijzingen te selecteren: UVE, VIP, CARS en GA.
Voor de FTIR-methode was het kiezen van de juiste aanwijzingen een groot succes. Zelfs nadat het grootste deel van de gegevens was weggegooid, bleven de modellen super nauwkeurig en bereikten ze vaak 100% nauwkeurigheid voor merken zoals Shuangyu en Donghu. Echter, voor de andere methoden (NIR en EEM) maakte het kiezen van minder aanwijzingen de modellen soms juist slechter. Het bleek dat voor die methoden het "volledige plaatje" eigenlijk noodzakelijk was om de klus goed te klaren.
Wat Ze Uitsloten
Het artikel betoogt expliciet tegen de opvatting dat één enkele methode of één enkel computermodel het probleem voor alle azijnmerken kan oplossen. Ze lieten zien dat de aanname dat alle azijnen hetzelfde zijn, tot slechte resultaten leidt. Ze toonden ook aan dat het hebben van veel gegevens alleen niet genoeg is; je moet weten hoe je die gegevens schoonmaakt en selecteert op basis van het specifieke merk dat je onderzoekt.
Hoe Zeker Zijn Ze?
De auteurs zijn zeer zelfverzekerd over hun resultaten omdat ze niet simpelweg gokten; ze voerden een rigoureuze test uit. Ze creëerden 80 monsters voor elk merk (door echte en neppe azijn in specifieke hoeveelheden te mengen) en testten deze met een strikte computermethode genaamd "5 × 5 nested cross-validation". Dit is als het testen van de kennis van een student vijf keer met vijf verschillende sets vragen om er zeker van te zijn dat de student de stof echt beheerst en niet alleen maar geluk heeft.
In deze simulaties presteerde FTIR consequent beter dan de anderen. Het artikel concludeert dat hoewel FTIR een krachtig hulpmiddel is om azijnfraude te ontmaskeren, we niet zomaar één grote robot kunnen bouwen om elke fles ter wereld te controleren. In plaats daarvan moeten we specifieke, hoogprecisie-instrumenten bouwen die respect hebben voor de unieke "persoonlijkheid" van elk azijnmerk.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.